La confidentialité des données sur l'Internet des objets médicaux (IoMT) reste une préoccupation critique lors du traitement des données biomédicales. Bien que les études existantes se concentrent sur la cryptographie et la confidentialité différentielle, peu d'entre elles capturent l'utilité et l'authenticité des données. En conséquence, la confidentialité des données reste la principale préoccupation lors de la formation d'un modèle d'apprentissage automatique (ML) avec des données IoMT provenant de diverses sources de données/propriétaires tels que k-médoïdes. Pour surmonter les problèmes susmentionnés, cette étude propose des k-médoïdes sécurisés qui sont mis en œuvre avec Blockchain et un cryptosystème homomorphe partiel (Paillier) pour assurer l'authenticité et protéger la confidentialité des données de toutes les entités (c'est-à-dire le propriétaire des données et l'analyste de données). La propriété homomorphe de Paillier est utilisée pour développer des blocs de construction sécurisés (c'est-à-dire des opérations polynomiales sécurisées, une comparaison sécurisée et des opérations de biais sécurisées) afin de garantir la confidentialité des données et d'éliminer la dépendance à l'égard de tiers. Nous avons utilisé trois ensembles de données biomédicales différents, à savoir (I) les données sur les maladies cardiaques (HDD), (II) les données sur le diabète (DD) et (III) les données sur le cancer du sein au Wisconsin (BCWD). Une analyse de sécurité rigoureuse démontre que les k-médoïdes sécurisés protègent contre les violations de données sensibles. Il a également montré des performances supérieures dans les ensembles de données BCWD (précision 97,80 %, précision 96,83 % et rappel 99,80 %) et HDD (précision 82,50 %, précision 81,28 % et rappel 80,50 %), respectivement. Cependant, des performances similaires n'ont pas été reflétées dans le cas de l'ensemble de données DD. De plus, l'étude explique pourquoi de tels résultats de performance sont observés. En outre, il a été prouvé que le système proposé prend moins de temps d'exécution que les études existantes.

La privacidad de los datos en el Internet de las Cosas Médicas (IoMT) sigue siendo una preocupación crítica cuando se manejan datos biomédicos. Si bien los estudios existentes se centran en la criptografía y la privacidad diferencial, pocos de ellos capturan la utilidad y la autenticidad de los datos. Como resultado, la privacidad de los datos sigue siendo la principal preocupación al entrenar un modelo de aprendizaje automático (ML) con datos de IoMT de varias fuentes/propietarios de datos, como k-medoids. Para superar los problemas mencionados anteriormente, este estudio propone k-medoides seguros que se implementan junto con Blockchain y el criptosistema homomórfico parcial (Paillier) para garantizar la autenticidad y proteger la privacidad de los datos de todas las entidades (es decir, el propietario de los datos y el analista de datos). La propiedad homomórfica de Paillier se utiliza para desarrollar bloques de construcción seguros (es decir, operaciones polinómicas seguras, comparación segura y operaciones de sesgo seguras) para garantizar la privacidad de los datos y eliminar la dependencia de terceros. Utilizamos tres conjuntos de datos biomédicos diferentes, y estos son (I) Datos de enfermedades cardíacas (HDD), (II) Datos de diabetes (DD) y (III) Datos de cáncer de mama de Wisconsin (BCWD). Un análisis de seguridad riguroso demuestra que los k-medoides seguros protegen contra las filtraciones de datos confidenciales. También mostró un rendimiento superior en los conjuntos de datos BCWD (Precisión 97.80%, Precisión 96.83% y Recuerdo 99.80%) y HDD (Precisión 82.50%, Precisión 81.28% y Recuerdo 80.50%), respectivamente. Sin embargo, un rendimiento similar no se reflejó en el caso del conjunto de datos DD. Además, el estudio explica por qué se observan tales resultados de rendimiento. Además, se ha comprobado que el sistema propuesto lleva menos tiempo de ejecución en comparación con los estudios existentes.

Data privacy on the Internet of Medical Things (IoMT) remains a critical concern when handling biomedical data. While extant studies focus on cryptography and differential privacy, few of them capture the utility and authenticity of data. As a result, data privacy remains the primary concern when training a machine learning (ML) model with IoMT data from various data sources/owners such as k − medoids. To overcome the above-mentioned issues, this study proposes secure k − medoids that are implemented together with Blockchain and partial homomorphic cryptosystem (Paillier) to ensure authenticity and protect all entities (i.e., data owner and data analyst) data privacy. The homomorphic property of Paillier is utilized to develop secure building blocks (i.e., secure polynomial operations, secure comparison, and secure biasing operations) to ensure data privacy and eliminate dependency on any third parties. We utilized three different biomedical datasets, and these are (I) Heart Disease Data (HDD), (II) Diabetes Data (DD), and (III) Breast Cancer Wisconsin Data (BCWD). Rigorous security analysis demonstrates that secure k − medoids protect against sensitive data breaches. It also showed superior performance in both BCWD (Accuracy 97.80%, Precision 96.83%, and Recall 99.80%) and HDD (Accuracy 82.50%, Precision 81.28%, and Recall 80.50%) datasets, respectively. However, similar performance was not reflected in the case of the DD dataset. Furthermore, the study explains why such performance results are observed. In addition, the proposed system has been proven to take less execution time compared to the extant studies.

تظل خصوصية البيانات على إنترنت الأشياء الطبية (IoMT) مصدر قلق بالغ عند التعامل مع البيانات الطبية الحيوية. بينما تركز الدراسات الموجودة على التشفير والخصوصية التفاضلية، فإن القليل منها يلتقط فائدة البيانات وأصالتها. ونتيجة لذلك، تظل خصوصية البيانات الشاغل الرئيسي عند تدريب نموذج التعلم الآلي (ML) باستخدام بيانات IoMT من مصادر/مالكي بيانات مختلفين مثل k - medoids. للتغلب على المشكلات المذكورة أعلاه، تقترح هذه الدراسة k - medoids الآمنة التي يتم تنفيذها جنبًا إلى جنب مع Blockchain ونظام التشفير المتجانس الجزئي (Paillier) لضمان المصداقية وحماية جميع الكيانات (أي مالك البيانات ومحلل البيانات) خصوصية البيانات. يتم استخدام خاصية التجانس لـ Paillier لتطوير لبنات بناء آمنة (أي عمليات متعددة الحدود آمنة، ومقارنة آمنة، وعمليات تحيز آمنة) لضمان خصوصية البيانات والقضاء على الاعتماد على أي أطراف ثالثة. استخدمنا ثلاث مجموعات بيانات طبية حيوية مختلفة، وهي (1) بيانات أمراض القلب (HDD) و (2) بيانات مرض السكري (DD) و (3) بيانات سرطان الثدي في ويسكونسن (BCWD). يوضح التحليل الأمني الصارم أن k - medoids الآمنة تحمي من خروقات البيانات الحساسة. كما أظهر أداءً متفوقًا في كل من مجموعات بيانات BCWD (الدقة 97.80 ٪، والدقة 96.83 ٪، والاستدعاء 99.80 ٪) و HDD (الدقة 82.50 ٪، والدقة 81.28 ٪، والاستدعاء 80.50 ٪)، على التوالي. ومع ذلك، لم ينعكس أداء مماثل في حالة مجموعة بيانات DD. علاوة على ذلك، تشرح الدراسة سبب ملاحظة نتائج الأداء هذه. بالإضافة إلى ذلك، ثبت أن النظام المقترح يستغرق وقتًا أقل في التنفيذ مقارنة بالدراسات الحالية.